1. Adquisición EEG <ol><li> Explicar los procedimientos experimentales para el participante y obtener el consentimiento informado. </li><li> Aplicar desplegables electrodos. Limpie el área de la cara donde se ubicarán los electrodos desplegables usando un algodón con alcohol. </li><li> Coloque la tapa del electrodo en la cabeza del participante. Mida la circunferencia de la cabeza del participante y seleccione el tamaño del casquillo apropiado. Siguiendo el sistema 10-20 reconocido internacionalmente para la colocación de electrodos, medir la distancia desde nasión inion a lo largo de la línea media y se divide en un 10%. Con ese número, a la altura de nasión y marca. Alinear el electrodo cap posición Fp con esta marca y tire de la tapa hacia atrás. Asegúrese de que el centro de la tapa está en línea con la nariz. Mida nasión de Cz, y confirmar que esta distancia es la mitad de la distancia de nasión a inion. Apriete el barbijo. </li><li> Lugar de GEL jeringa contundente puntos en los soportes de electrodos. Para crear una columna de gel conductor, comience en contacto conel cuero cabelludo, y luego apretar y tirar hacia atrás. Tenga en cuenta que la aplicación de un exceso de gel puede reducir las señales de los electrodos vecinos. </li><li> Fijar electrodos activos en los soportes de electrodos. </li><li> Coloque el sujeto en frente del monitor a una distancia apropiada para el experimento. Pídale al participante que permanecer inmóvil, haciendo hincapié en la importancia de reducir al mínimo los movimientos oculares y parpadeos para una grabación limpia. </li><li> Examine las conexiones del electrodo y la calidad de señal EEG en el equipo de adquisición. Verifique que todos los desplazamientos de los electrodos son bajos (&lt;40 mV) y estable. Si hay un problema con un electrodo particular, tener que volver a aplicar gel de electrodo y para ajustar impedancias en ese sitio. </li><li> Guarde el archivo y comenzar el experimento. </li></ol> 2. Análisis de EEG <ol><li> Después de la experimentación, pero antes de extraer la estadística particular de interés, preprocesar los datos de EEG continuos para eliminar los artefactos utilizando procedimientos estándar de filtrar unarechazo de artefactos ª. Cortar el EEG continua en épocas correspondientes a cada uno de eventos discretos, tales como la presentación de fotografía. En cada época, incluir una ventana de 100 ms antes del estímulo como una línea de base. </li><li> Análisis de potenciales relacionados con eventos (ERP) captura la actividad cerebral síncrono que está enganchada en fase a la aparición del evento. Promedio entre los ensayos para separar las respuestas evocadas en el &quot;ruido&quot; (es decir, fuera de la fase cerrada) la actividad de fondo. La variabilidad entre los ensayos y entre los sujetos presenta un gran desafío para el método de análisis de ERP. Para lograr una buena relación señal-a-ruido del protocolo experimental debe incluir muchos eventos discretos con inicios definibles. Tiempo de bloqueo de la respuesta del cerebro a la aparición de un evento saliente y luego promediando sobre muchos eventos como ayuda a reducir algunos de este ruido, sin embargo, la sincronía temporal creado por este procedimiento se disuelve típicamente dentro de 1 seg. Identificar ERP amplitudes y latencias pico de componentes para cada subproyecto (por directrices más detalladas sobre el análisis ERP, ver Picton et al., 2000). </li><li> Utilizando el análisis de Fourier, transformar la señal del EEG del dominio del tiempo al dominio de la frecuencia y descomponer la señal en sus ondas sinusoidales compuestas de diferentes frecuencias 6. </li><li> Multiscale entropía (MSE) es una teoría métrica información que estima que la variabilidad de las señales neuroelectical lo largo del tiempo ya través de múltiples escalas de tiempo. Para proporcionar una representación conceptual del análisis MSE, considera dos formas de onda simuladas, una forma de onda periódica y una más estocástico. Valores de la entropía de la muestra son cerca de cero por la forma de onda periódica y ~ 2.5 para la forma de onda más variable. Un aumento en la entropía de la muestra corresponde a un aumento de la complejidad de la señal, la cual, de acuerdo a la teoría de la información, puede ser interpretado como un aumento en la cantidad de capacidad de procesamiento de la información del sistema subyacente 7,16. Recuerde que la capacidad de un cerebro no es fija sino que cambia depending en el contexto neuronal 2, es decir, las regiones del cerebro que pasan a ser funcionalmente conectado en un punto particular en el tiempo. </li><li> Para calcular MSE, utilizar el algoritmo disponible en <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , que calcula MSE en dos pasos. </li><li> En primer lugar, el algoritmo progresivamente descendentes muestras de la serie de tiempo EEG por ensayo y por condición. Abajo muestra de la serie de tiempo original para generar series temporales múltiples para distintas escalas de tiempo. Series de tiempo 1 es la serie de tiempo original. Para crear la serie temporal de plazos posteriores, dividir la serie de tiempo original en que no se solapan ventanas de la escala de tiempo y longitud promedio de los puntos de datos dentro de cada ventana. Abajo de muestreo es similar al filtrado de paso bajo, dividiendo la frecuencia de muestreo de la escala de tiempo se aproximará a la frecuencia en la que la señal se filtra paso bajo para ese determinado plazo de tiempo. La aplicación de MSE a la parrango de frecuencia particular (por ejemplo, alfa: 9 Hz a 12 Hz) se puede interpretar como la representación de la composición de los ritmos dentro de ese rango, así como la interacción entre esas frecuencias. </li><li> En segundo lugar, el algoritmo calcula la entropía muestral para cada serie temporal de grano grueso 14. Entropía Muestra estima la complejidad de una serie de tiempo. En un análisis no lineal del EEG, se supone que una serie de tiempo individual representa la manifestación de un modelo dinámico no lineal multidimensional subyacente (ver Stam, 2005 para una revisión). En este ejemplo, m (la longitud del patrón) se establece en dos, lo que significa que la variabilidad de la amplitud de cada patrón de series de tiempo se representa en el espacio bidimensional frente tridimensional teniendo en cuenta el patrón de secuencia de dos contra tres consecutivos puntos de datos, respectivamente. Parámetro r (el criterio de similitud), refleja el rango de amplitud (denotado por la altura de las bandas de colores) dentro de la cual puntos de datos de unvolver consideran &quot;compatibles&quot;. Para una serie de tiempo EEG típico, con más de 100 puntos de datos, establezca el parámetro m igual a 2 y el parámetro r igual a un valor entre 0,5 y 1 (ver Richman y Moorman, 2000, para un procedimiento detallado sobre cómo seleccionar parámetros de referencia a Lake et al., 2002). Para calcular la entropía de la muestra para esta serie de tiempo simulado, comenzar con el primer patrón de secuencia de dos componentes, rojo-naranja. En primer lugar, cuente el número de veces que el patrón de secuencia rojo-naranja se produce en la serie temporal, hay 10 partidos de esta secuencia de dos componentes. En segundo lugar, contar el número de veces primer patrón de secuencia de tres componentes, rojo-naranja-amarillo, se produce en las series de tiempo, hay 5 resultados para esta secuencia de tres componentes. Continuar con las mismas operaciones para la siguiente secuencia de dos componentes (amarillo-naranja) y la secuencia de tres componentes próxima (naranja-amarillo-verde) de la serie temporal. El número de partidos de dos componentes (5) y los partidos de tres componentes (3) para estos secuencialces se añaden a los valores anteriores (un total de partidos de dos componentes = 15; total de partidos de tres componentes = 8). Repita el procedimiento para todos los demás partidos en la secuencia de la serie de tiempo (hasta N - m) para determinar la relación total de partidos de dos componentes a partidos de tres componentes. La entropía de la muestra es el logaritmo natural de esta relación. Para cada tema, se calcula la estimación MSE canal específico como la media a través de medidas de entropía ensayos individuales para cada escala de tiempo. </li></ol>

<ol>
	<li>Bressler, S. L., Arbib, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Event-related+potentials.">Event-related potentials.</a> The Handbook of Brain Theory and Neural Networks. , 412-415 (2002).</li><li>Bressler, S. L., McIntosh, A. R., Jirsa, V. K., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+neural+context+in+large-scale+neurocognitive+network+operations.">The role of neural context in large-scale neurocognitive network operations.</a> Springer Handbook on Brain Connectivity. , 403-419 (2007).</li><li>Buzsaki, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rhythms of the brain. , (2006).</li><li>Costa, M., Goldberger, A., Peng, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multiscale+entropy+analysis+of+biological+signals.">Multiscale entropy analysis of biological signals.</a> Phys. Rev. E. 712, 1-18 (2005).</li><li>Deco, G., Jirsa, V., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Emerging+concepts+for+the+dynamical+organization+of+resting-state+activity+in+the+brain.">Emerging concepts for the dynamical organization of resting-state activity in the brain.</a> Nat. Rev. Neurosci. 12, 43-56 (2011).</li><li>Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+labile+brain.+I.+Neuronal+transients+and+nonlinear+coupling.">The labile brain. I. Neuronal transients and nonlinear coupling.</a> Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).</li><li>Gatlin, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Information Theory and the Living System. , (1972).</li><li>Heisz, J. J., Shedden, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Semantic+learning+modifies+perceptual+face+processing.">Semantic learning modifies perceptual face processing.</a> Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).</li><li>Heisz, J. J., Shedden, J. M., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Relating+brain+signal+variability+to+knowledge+representation.">Relating brain signal variability to knowledge representation.</a> NeuroImage. 63, 1384-13 (2012).</li><li>Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sample+entropy+analysis+of+neonatal+heart+rate+variability.">Sample entropy analysis of neonatal heart rate variability.</a> Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).</li><li>Lobaugh, N. J., West, R., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatiotemporal+analysis+of+experimental+differences+in+event-related+potential+data+with+partial+least+squares.">Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares.</a> Psychophysio. 38, 517-530 (2001).</li><li>McIntosh, A. R., Kovacevic, N., Itier, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Increased+brain+signal+variability+accompanies+behavioral+variability+in+development.">Increased brain signal variability accompanies behavioral variability in development.</a> PLoS Computational Biology. 4, 7 (2008).</li><li>Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Guidelines+for+using+human+event-related+potentials+to+study+cognition:+Recording+standards+and+publication+criteria.">Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria.</a> Psychophysiology. 37, 127-152 (2000).</li><li>Richman, J. S., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physiological+time+series+analysis+using+approximate+entropy+and+sample+entropy.">Physiological time series analysis using approximate entropy and sample entropy.</a> Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).</li><li>Rossion, B., Jacques, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Does+physical+interstimulus+variance+account+for+early+electrophysiological+face+sensitivity+responses+in+the+human+brain?+Ten+lessons+on+the+N170.">Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170.</a> NeuroImage. 39, 1959-1979 (2008).</li><li>Shannon, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Mathematical+Theory+of+Communication.">A Mathematical Theory of Communication.</a> The Bell System Technical Journal. 27, 379-423 (1948).</li><li>Stam, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonlinear+dynamical+analysis+of+EEG+and+MEG:+review+of+an+emerging+field.">Nonlinear dynamical analysis of EEG and MEG: review of an emerging field.</a> Clinical Neurophysiology. 116, 2266-2301 (2005).</li><li>Vakorin, V. A., McIntosh, A. R., Rabinovich, M. I., Friston, K. J., Varona, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+the+multi-scale+information+content+of+complex+brain+signals.">Mapping the multi-scale information content of complex brain signals.</a> Principles of Brain Dynamics: Global State Interactions. , (2012).</li></ol>

No hay conflictos de interés declarado.

El objetivo del presente artículo es proporcionar una descripción conceptual y metodológico de la entropía multiescala (MSE) que se aplica a los datos de neuroimagen EEG. EEG es una poderosa técnica de neuroimagen no invasiva que mide la actividad de la red neuronal con la alta resolución temporal. La señal del EEG refleja la actividad de post-sináptica de las poblaciones de células piramidales en la corteza, cuyas respuestas colectiva son modificados por diversas conexiones reentrantes excitatorios e inhibitorios. En consecuencia, hay múltiples formas de analizar los datos de EEG y cada método extrae un aspecto único de los datos. Hemos discutido dos métodos comunes de análisis: el potencial de análisis relacionados con el evento (ERP) y el análisis espectral de potencia. Análisis ERP captura la actividad neuronal sincrónica en la señal del EEG que está enganchada en fase a la aparición de un evento discreto. ERPs reflejan específica perceptual, motor, o las operaciones cognitivas, lo que hace esta estadística ideal para examinar las especificacionesetapas de procesamiento ific. Análisis de potencia espectral cuantifica la contribución relativa de una frecuencia particular a la señal del EEG. Varios circuitos de retroalimentación excitatorios e inhibitorios interactúan para arrastrar la actividad de poblaciones neuronales a una determinada frecuencia de 1,3. Se cree que tal sincronía entre regiones cerebrales diferentes para promover la unión de la información a través de redes neuronales generalizadas. Hay una rica literatura que apoya la relación entre el poder dentro de un rango de frecuencia en particular y un estado emocional o cognitiva específica de la función 3. Al analizar EEG también es importante tener en cuenta que las redes neuronales son sistemas complejos con dinámica no lineal. Esta complejidad se refleja en la señal del EEG como oscilaciones irregulares que no son la consecuencia de ruido de fondo sin sentido. Al igual que la actividad oscilatoria síncrona, las interacciones entre los diversos bucles reentrantes excitatorios e inhibitorios causan la gripe transitoriactuations en la señal del cerebro a través del tiempo 6. Tales transitorios se cree que reflejan las transiciones o bifurcaciones entre microestados de red que se pueden utilizar para estimar los grados de libertad o la complejidad de la red subyacente; una mayor variabilidad en el patrón de amplitud de la señal con el tiempo es indicativo de un sistema más complejo 5. Críticamente, ERP o los análisis espectrales de potencia no son sensibles a dicha actividad irregular, mientras que MSE es. Por otra parte, un índice de complejidad de la red no se puede obtener simplemente contando el número de regiones del cerebro activas como tal método es ciego a las interacciones recurrentes transitorios y dinámica entre las regiones del cerebro. Métodos complementarios para el análisis de neuroimagen se combinan para crear una imagen completa de la actividad neural subyacente. La interpretación de los resultados de las aplicaciones más tradicionales de los datos de neuroimagen, como ERP y la potencia espectral, se complementan con medidas de complejidad como MSE; MSE proporciona una manera de capturar la secuencia de cambios en los patrones espacio-temporales de la actividad cerebral a través de múltiples escalas de tiempo que contribuye a una operación cognitiva específica. La aplicación de MSE a los conjuntos de datos nuevos y existentes pueden proporcionar una mayor comprensión de cómo la cognición surge de la dinámica de redes neuronales.

Los recientes avances en neuroimagen han aumentado dramáticamente nuestra comprensión de la función cerebral. Sin embargo, muchas de las aplicaciones de los datos de neuroimagen tienden a reforzar la visión del cerebro en estados estáticos en lugar de hacer hincapié en las operaciones cognitivas que se desarrollan en tiempo real. En consecuencia, se sabe poco acerca de la estructura del espacio-tiempo de las redes cerebrales y cómo la secuencia de cambios en los patrones espacio-temporales a través de múltiples escalas de tiempo contribuye a una operación cognitiva específica. El presente artículo describe la entropía multiescala (MSE) 5, una nueva herramienta analítica para los datos de neuroimagen que examina la complejidad del patrón espacio-temporal que subyace a las operaciones cognitivas específicas, proporcionando información acerca de cómo diferentes generadores neuronales en el cerebro funcional de la red se comunican a través de múltiples escalas de tiempo. Derivado de la teoría de la información, una rama de las matemáticas aplicadas 7,16, MSE era originalLY diseñado para examinar la complejidad de electrocardiogramas 4. En teoría, MSE podría ser utilizado para analizar la complejidad de cualquier serie de tiempo, el requisito principal es que la serie de tiempo de la señal de datos contiene por lo menos 50 puntos de tiempo continuo. Sin embargo, la dependencia de escala de tiempo y la sensibilidad a la dinámica lineales y no lineales en los datos pueden hacer MSE particularmente informativa de la dinámica de la red neural. Aquí, nos centramos en la aplicación del MSE de electroencefalograma (EEG), los datos de neuroimagen 9,12. EEG es una técnica de neuroimagen no invasiva mediante el cual los electrodos que se colocan en el cuero cabelludo captan las respuestas postsinápticas de las poblaciones de neuronas en la corteza cerebral 1. Con una alta resolución temporal, EEG cumple con creces el tiempo de duración serie necesaria de MSE sin alterar el protocolo de adquisición típica. Para enfatizar la utilidad de la aplicación de MSE a los datos de EEG, comparamos este nuevo método con los enfoques más tradicionales including eventos relacionados con la energía potencial y espectral. Cuando se utilizan conjuntamente, estos métodos complementarios de análisis proporcionan una descripción más completa de los datos que pueden conducir a una mayor comprensión de las operaciones de red neural, que dan lugar a la cognición.

<table border="1">
<tbody>
 <tr>
 <td>Name of Reagent/Material</td>
 <td>Company</td>
 <td>Catalogue Number</td>
 <td>Comments</td>
 </tr>
 <tr>
 <td>EEG </td>
 <td>BioSemi</td>
 <td></td>
 <td></td>
 </tr>
 </tbody>
</table>

applications of eeg neuroimaging data: event-related potentials, spectral power, and multiscale entropy

Al considerar los datos de neuroimagen humanos, la apreciación de la variabilidad de la señal representa una innovación fundamental en la forma en que pensamos acerca de la señal del cerebro. Por lo general, los investigadores representan la respuesta del cerebro como la media entre los ensayos experimentales repetidas y el desprecio de las fluctuaciones de la señal en el tiempo como &quot;ruido&quot;. Sin embargo, cada vez es más claro que la variabilidad de la señal del cerebro transmite información funcional significativa sobre la dinámica de redes neuronales. En este artículo se describe el nuevo método de entropía multiescala (MSE) para cuantificar la variabilidad de la señal del cerebro. MSE puede ser particularmente informativa de la dinámica de la red neural, ya que muestra la dependencia de escala de tiempo y la sensibilidad a la dinámica lineales y no lineales en los datos.

Las figuras 1A y 2A representan la señal del EEG en respuesta a la presentación de una imagen de la cara. Promediando a través como ensayos produce una forma de onda ERP que consiste en una serie de desviaciones positivas y negativas llamado componentes ERP. Figura 1B ilustra una forma de onda promedio de un solo sujeto y la Figura 6A ilustra una forma de onda promedio de los grandes por un grupo de sujetos. Hay una rica literatura que relaciona cada componente ERP a una específica perceptual, motor, o el funcionamiento cognitivo. Por ejemplo, la N170 es una desviación negativa que picos a aproximadamente 170 mseg después de la inicio del estímulo y está implicada en el procesamiento de la cara 8,15. La Figura 2B ilustra la descomposición de la misma señal del EEG en las bandas de frecuencia de los componentes. Los resultados de análisis espectral de potencia revelan el contenido de frecuencia de la señal (Figura 2C), mediante el cualun aumento de la potencia a una frecuencia particular, refleja un incremento en la presencia de ese ritmo dentro de la señal del EEG. Al igual que la potencia espectral, MSE es sensible a la complejidad de los componentes oscilatorios que contribuyen a la señal. Sin embargo, a diferencia de potencia espectral, MSE es también sensible a las interacciones entre los componentes de frecuencia (es decir, no lineal dinámica 18). La complejidad de una señal de EEG se representa como una función de la entropía de la muestra (Figura 5) a través de múltiples escalas de tiempo (Figura 4). Como se ilustra en la Figura 3, la entropía de la muestra es baja para las señales regulares y aumenta con el grado de aleatoriedad de la señal. A diferencia de las medidas de entropía tradicionales que aumentan con el grado de aleatoriedad, multiescala entropía es capaz de diferenciar señales complejas a partir de ruido blanco teniendo en cuenta la entropía a través de múltiples escalas de tiempo. Por ejemplo, Costa et al., 2005 comparó multiescala valores de entropía fo no correlacionada (blanco) ruido en función de correlación (rosa) ruido. Mientras que la entropía de la muestra fue mayor para el ruido blanco de ruido rosa en fina escala de tiempo, se observó lo contrario en escalas de tiempo más gruesos 5-20. En otras palabras, cuando se considera la entropía a través de múltiples escalas de tiempo, la verdadera complejidad de las señales se representa con mayor precisión de lo que sería si sólo una única escala de tiempo se consideró. Dependiendo de la dinámica temporal de un contraste específico, efectos de condición se pueden expresar: 1) de la misma manera en todas las escalas de tiempo, 2) en algunas escalas de tiempo, pero no otros, o 3) como efectos de cruce por lo que el contraste es diferente a bien frente gruesa escalas de tiempo. La figura 6 muestra las diferencias de condición en ERP (Figura 6A), la energía espectral (Figura 6B), MSE (Figura 6C) contrastar las presentaciones iniciales frente a la repetición de fotografías de la cara 9. En este ejemplo, todas las medidas convergentes para revelarel mismo efecto, sin embargo, la disminución observada en la entropía de ejemplo que acompaña la cara repetición es importante, ya que limita la interpretación de los resultados. Una disminución en la complejidad sugiere que la red funcional subyacente es más simple y menos capaz de procesar información. La figura 7 muestra los resultados estadísticos del análisis multivariado de mínimos cuadrados parciales 11 aplicadas a ERP, el poder espectral y MSE. El experimento manipuló el conocimiento asociado con diferentes caras (Heisz et al., 2012). El contraste (gráfico de barras) muestra que el ERP amplitud distinguir caras nuevas de caras conocidas, pero no entre las caras conocidas que variaban en la cantidad de exposición previa. Potencia espectral distinguido enfrenta según la familiaridad adquirida, pero no distingue con precisión entre las caras de media y baja familiaridad. MSE era más sensible a las diferencias de condición en que muestra los valores de la entropía crecienteed con el aumento de la familiaridad cara. Las parcelas de captura de imagen de la distribución espacio-temporal del efecto de condiciones en todos los electrodos y el tiempo / frecuencia / escala de tiempo. Este ejemplo demuestra una situación en la que el análisis de EEG por MSE produce información única que no se obtuvo usando los métodos tradicionales de ERP o espectral de potencia. Esta divergencia de MSE sugiere que las condiciones difieren con respecto a los aspectos no lineales de la dinámica de la red, posiblemente que implica las interacciones entre los diversos componentes de frecuencia. <img alt="Figura 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figura 1. A) Las respuestas del EEG de un único sujeto como una función de la desviación de amplitud de línea de base para cada ensayo frente al tiempo desde el inicio del ensayo. Cada ensayo consistió en la presentación de una fotografía de una imagen de la cara. Deflexiones amplitud positiva se representan en larojo, deflexiones de amplitud negativos se representan en azul. Todos los ensayos muestran una desviación positiva de alrededor de 100 ms y 250 ms, lo que indica de enganche de fase de actividad. Relacionados con el evento B) promedio en todos los ensayos descritos en la Figura 1A produce una forma de onda ERP promediada con distintas desviaciones positivas y negativas llamadas los componentes relacionados con el evento y el nombre de acuerdo con una nomenclatura estándar. Por ejemplo, P1 es el primer componente de signo positivo, y N170 es un componente negativo que los picos en aproximadamente 170 mseg después de la inicio del estímulo. <img alt="La figura 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figura 2. A) La respuesta EEG de un solo tema para un ensayo trazado amplitud de tiempo (en los puntos de datos, la velocidad de muestreo de 512 Hz). B) La respuesta del EEG de la Figura 2A filtrada paso banda para aislar las bandas de frecuencias delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) y gamma (&gt; 30 Hz). C) densidad de potencia espectral de la respuesta EEG representa en la figura 2A representa composición de frecuencia de la señal como una función de la potencia por frecuencia. Un aumento de la potencia espectral en una frecuencia particular refleja un aumento en el número de neuronas sincrónicamente activos encauzadas dentro de dicha banda de frecuencias particular. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> . <img alt="Figura 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figura 3 a) dos formas de onda simuladas:.. Una forma de onda regular o predecible representado en púrpura, y una forma de onda más estocástico se muestra en negro B) valores de entropía de ejemplo de las dos formas de onda simuladas para los primeros tres escalas de tiempo. Muestra entropy es baja para las señales altamente predecibles que las señales más estocásticos. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> . <img alt="Figura 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> La Figura 4. Abajo, el muestreo de la serie de tiempo original genera múltiples series de tiempo para distintas escalas de tiempo. Timescale 1 es la serie de tiempo original. La serie de tiempo de escala de tiempo 2 se crea dividiendo la serie de tiempo original en que no se superponen las ventanas de longitud 2 y media de puntos de los datos dentro de cada ventana. Para generar la serie temporal de plazos posteriores, dividir la serie de tiempo original en que no se solapan ventanas de la escala de tiempo y longitud promedio de los puntos de datos dentro de cada ventana. <img alt="La figura 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figura 5. Una forma de onda simulada en cada rectángulo representa un único punto de datos de la serie temporal de la entropía. Muestra estima la variabilidad de una serie temporal. En este ejemplo, m (la longitud del patrón) se establece en dos, lo que significa que la varianza de la amplitud de cada patrón de series de tiempo se representa en el espacio bidimensional frente tridimensional teniendo en cuenta el patrón de secuencia de dos contra tres consecutivos puntos de datos, respectivamente; r (el criterio de similitud), refleja el rango de amplitud (denotado por la altura de las bandas de colores) dentro de la cual se consideran los puntos de datos a &quot;coincidir&quot;. Para calcular la entropía de la muestra para esta serie de tiempo simulado, comenzar con el primer patrón de secuencia de dos componentes, rojo-naranja. En primer lugar, cuente el número de veces que el patrón de secuencia rojo-naranja se produce en la serie temporal, hay 10 partidos de esta secuencia de dos componentes. En segundo lugar, contar el número de veces primera patrón de secuencia de tres componentes, rojo-naranja-gritoay, ocurre en las series de tiempo, hay 5 resultados para esta secuencia de tres componentes. Continúe de esta manera para la siguiente secuencia de dos componentes (de color naranja-amarillo) y la secuencia de tres componentes (naranja-amarillo-verde). El número de partidos de dos componentes (5) y los partidos de tres componentes (3) de estas secuencias se añaden a los valores anteriores (un total de dos componentes partidos = 15; total de partidos de tres componentes = 8). Repita el procedimiento para todos los demás partidos en la secuencia de la serie de tiempo (hasta N - m) para determinar la relación total de partidos de dos componentes a partidos de tres componentes. La entropía de la muestra es el logaritmo natural de esta relación. Para cada tema, se calcula la estimación MSE canal específico como la media a través de medidas de entropía ensayos individuales para cada escala de tiempo. <img alt="La figura 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figura 6. Diferencias de condiciones en los ERP (A), la energía espectral (B),MSE (C) contrastar las presentaciones iniciales o repetida de fotografías faciales. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> . <img alt="La figura 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figura 7. Contrastando la respuesta EEG a las caras aprendidas a través de medidas de ERP, potencia espectral y multiescala entropía. Los gráficos de barras que representan el contraste entre las condiciones según lo determinado por análisis de mínimos cuadrados parciales 11. La parcela imagen pone de relieve la distribución espacio-temporal en la que el contraste era más estable que determine bootstrapping. Los valores representan las puntuaciones z ~ y los valores negativos denotan significación para el efecto inverso condición. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> .

Watch this Scientific Journal Video about Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy at JoVE.com

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Investigadores neuroimagen suelen considerar la respuesta del cerebro como la actividad media entre los ensayos experimentales repetidas y el desprecio de variabilidad de la señal en el tiempo como &quot;ruido&quot;. Sin embargo, se está convirtiendo en claro que hay señal en la que el ruido. Este artículo describe el nuevo método de multiescala entropía para la cuantificación de variabilidad de la señal del cerebro en el dominio del tiempo.

Aplicaciones de EEG datos de neuroimagen: Potenciales relacionados con eventos, Energía espectral y Multiscale Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

applications-eeg-neuroimaging-data-event-related-potentials-spectral

Research

Education

JoVE Core

JoVE Journal

Electrical Engineering

Neuroscience

Unit 1

Fourier Series

SCIENTISTS IN ACTION

33.5K vistas.  Baycrest. Investigadores neuroimagen suelen considerar la respuesta del cerebro como la actividad media entre los ensayos experimentales repetidas y el desprecio de variabilidad de la señal en el tiempo como "ruido". Sin embargo, se está convirtiendo en claro que hay señal en la que el ruido. Este artículo describe el nuevo método de multiescala entropía para la cuantificación de variabilidad de la señal del cerebro en el dominio del tiempo.

Video: Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

High Density Event-related Potential  Data Acquisition in Cognitive Neuroscience

Functional magnetic resonance imaging (fMRI) is currently the standard method of evaluating brain function in the field of Cognitive Neuroscience, in part because fMRI data acquisition and analysis techniques are readily available. Because fMRI has excellent spatial resolution but poor temporal resolution, this method can only be used to identify the spatial location of brain activity associated with a given cognitive process (and reveals virtually nothing about the time course of brain activity). By contrast, event-related potential (ERP) recording, a method that is used much less frequently than fMRI, has excellent temporal resolution and thus can track rapid temporal modulations in neural activity. Unfortunately, ERPs are under utilized in Cognitive Neuroscience because data acquisition techniques are not readily available and low density ERP recording has poor spatial resolution. In an effort to foster the increased use of ERPs in Cognitive Neuroscience, the present article details key techniques involved in high density ERP data acquisition. Critically, high density ERPs offer the promise of excellent temporal resolution and good spatial resolution (or excellent spatial resolution if coupled with fMRI), which is necessary to capture the spatial-temporal dynamics of human brain function.

Event-related potential (ERP) recording is under utilized in Cognitive Neuroscience because data acquisition techniques are not readily available and this method often has poor spatial resolution. To foster the increased use of ERPs in Cognitive Neuroscience, the present article details key techniques involved in high density ERP data acquisition.

Relacionados con eventos de alta densidad de adquisición de datos posibles en Neurociencia Cognitiva

Functional magnetic resonance imaging (fMRI) is currently the standard method of evaluating brain function in the field of Cognitive Neuroscience, in part ...

Investigación

Neurociencias

Basics of Multivariate Analysis in Neuroimaging Data

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be easily realized by the more commonly used univariate, voxel-wise, techniques1,5,6,7,8,9. Multivariate approaches evaluate correlation/covariance of activation across brain regions, rather than proceeding on a voxel-by-voxel basis. Thus, their results can be more easily interpreted as a signature of neural networks. Univariate approaches, on the other hand, cannot directly address interregional correlation in the brain. Multivariate approaches can also result in greater statistical power when compared with univariate techniques, which are forced to employ very stringent corrections for voxel-wise multiple comparisons. Further, multivariate techniques also lend themselves much better to prospective application of results from the analysis of one dataset to entirely new datasets. Multivariate techniques are thus well placed to provide information about mean differences and correlations with behavior, similarly to univariate approaches, with potentially greater statistical power and better reproducibility checks. In contrast to these advantages is the high barrier of entry to the use of multivariate approaches, preventing more widespread application in the community. To the neuroscientist becoming familiar with multivariate analysis techniques, an initial survey of the field might present a bewildering variety of approaches that, although algorithmically similar, are presented with different emphases, typically by people with mathematics backgrounds. We believe that multivariate analysis techniques have sufficient potential to warrant better dissemination. Researchers should be able to employ them in an informed and accessible manner. The current article is an attempt at a didactic introduction of multivariate techniques for the novice. A conceptual introduction is followed with a very simple application to a diagnostic data set from the Alzheimer s Disease Neuroimaging Initiative (ADNI), clearly demonstrating the superior performance of the multivariate approach.

The current article describes the basics of multivariate analysis and contrasts it to the more commonly used voxel-wise univariate analysis. Both types of analysis are applied to a clinical-neuroscience data set. Supplementary split-half simulations show better replication of the multivariate results in independent data sets.

Fundamentos del análisis multivariante de los datos de neuroimagen

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be ...

Extracting Visual Evoked Potentials from EEG Data Recorded During fMRI-guided Transcranial Magnetic Stimulation

Transcranial Magnetic Stimulation (TMS) is an effective method for establishing a causal link between a cortical area and cognitive/neurophysiological effects. Specifically, by creating a transient interference with the normal activity of a target region and measuring changes in an electrophysiological signal, we can establish a causal link between the stimulated brain area or network and the electrophysiological signal that we record. If target brain areas are functionally defined with prior fMRI scan, TMS could be used to link the fMRI activations with evoked potentials recorded. However, conducting such experiments presents significant technical challenges given the high amplitude artifacts introduced into the EEG signal by the magnetic pulse, and the difficulty to successfully target areas that were functionally defined by fMRI. Here we describe a methodology for combining these three common tools: TMS, EEG, and fMRI. We explain how to guide the stimulator&#39;s coil to the desired target area using anatomical or functional MRI data, how to record EEG during concurrent TMS, how to design an ERP study suitable for EEG-TMS combination and how to extract reliable ERP from the recorded data. We will provide representative results from a previously published study, in which fMRI-guided TMS was used concurrently with EEG to show that the face-selective N1 and the body-selective N1 component of the ERP are associated with distinct neural networks in extrastriate cortex. This method allows us to combine the high spatial resolution of fMRI with the high temporal resolution of TMS and EEG and therefore obtain a comprehensive understanding of the neural basis of various cognitive processes.

This paper describes a method for collecting and analyzing electroencephalography (EEG) data during concurrent transcranial magnetic stimulation (TMS) guided by activations revealed with functional magnetic resonance imaging (fMRI). A method for TMS artifact removal and extraction of event related potentials is described as well as considerations in paradigm design and experimental setup.

La extracción de potenciales evocados visuales de datos EEG registradas durante guiada por resonancia magnética funcional Estimulación Magnética Transcraneal

Transcranial Magnetic Stimulation (TMS) is an effective method for establishing a causal link between a cortical area and cognitive/neurophysiological ...

Somatosensory Event-related Potentials from Orofacial Skin Stretch Stimulation

Cortical processing associated with orofacial somatosensory function in speech has received limited experimental attention due to the difficulty of providing precise and controlled stimulation. This article introduces a technique for recording somatosensory event-related potentials (ERP) that uses a novel mechanical stimulation method involving skin deformation using a robotic device. Controlled deformation of the facial skin is used to modulate kinesthetic inputs through excitation of cutaneous mechanoreceptors. By combining somatosensory stimulation with electroencephalographic recording, somatosensory evoked responses can be successfully measured at the level of the cortex. Somatosensory stimulation can be combined with the stimulation of other sensory modalities to assess multisensory interactions. For speech, orofacial stimulation is combined with speech sound stimulation to assess the contribution of multi-sensory processing including the effects of timing differences. The ability to precisely control orofacial somatosensory stimulation during speech perception and speech production with ERP recording is an important tool that provides new insight into the neural organization and neural representations for speech.

This paper introduces a method for obtaining somatosensory event-related potentials following orofacial skin stretch stimulation. The current method can be used to evaluate the contribution of somatosensory afferents to both speech production and speech perception.

Potenciales evocados somatosensoriales de piel Stretch Estimulación Orofacial

Cortical processing associated with orofacial somatosensory function in speech has received limited experimental attention due to the difficulty of ...

Simultaneous Recording of Electroretinography and Visual Evoked Potentials in Anesthetized Rats

The electroretinogram (ERG) and visual evoked potential (VEP) are commonly used to assess the integrity of the visual pathway. The ERG measures the electrical responses of the retina to light stimulation, while the VEP measures the corresponding functional integrity of the visual pathways from the retina to the primary visual cortex following the same light event. The ERG waveform can be broken down into components that reflect responses from different retinal neuronal and glial cell classes. The early components of the VEP waveform represent the integrity of the optic nerve and higher cortical centers. These recordings can be conducted in isolation or together, depending on the application. The methodology described in this paper allows simultaneous assessment of retinal and cortical visual evoked electrophysiology from both eyes and both hemispheres. This is a useful way to more comprehensively assess retinal function and the upstream effects that changes in retinal function can have on visual evoked cortical function.

This protocol describes simultaneous measurement of electroretinogram and visual evoked potentials in anesthetized rats.

Grabación simultánea de Electrorretinografía y los potenciales evocados visuales en ratas anestesiadas

The electroretinogram (ERG) and visual evoked potential (VEP) are commonly used to assess the integrity of the visual pathway. The ERG measures the ...

Quantifying Infra-slow Dynamics of Spectral Power and Heart Rate in Sleeping Mice

Three vigilance states dominate mammalian life: wakefulness, non-rapid eye movement (non-REM) sleep, and REM sleep. As more neural correlates of behavior are identified in freely moving animals, this three-fold subdivision becomes too simplistic. During wakefulness, ensembles of global and local cortical activities, together with peripheral parameters such as pupillary diameter and sympathovagal balance, define various degrees of arousal. It remains unclear the extent to which sleep also forms a continuum of brain states-within which the degree of resilience to sensory stimuli and arousability, and perhaps other sleep functions, vary gradually-and how peripheral physiological states co-vary. Research advancing the methods to monitor multiple parameters during sleep, as well as attributing to constellations of these functional attributes, is central to refining our understanding of sleep as a multifunctional process during which many beneficial effects must be executed. Identifying novel parameters characterizing sleep states will open opportunities for novel diagnostic avenues in sleep disorders.
We present a procedure to describe dynamic variations of mouse non-REM sleep states via the combined monitoring and analysis of electroencephalogram (EEG)/electrocorticogram (ECoG), electromyogram (EMG), and electrocardiogram (ECG) signals using standard polysomnographic recording techniques. Using this approach, we found that mouse non-REM sleep is organized into cycles of coordinated neural and cardiac oscillations that generate successive 25-s intervals of high and low fragility to external stimuli. Therefore, central and autonomic nervous systems are coordinated to form behaviorally distinct sleep states during consolidated non-REM sleep. We present surgical manipulations for polysomnographic (i.e., EEG/EMG combined with ECG) monitoring to track these cycles in the freely sleeping mouse, the analysis to quantify their dynamics, and the acoustic stimulation protocols to assess their role in the likelihood of waking up. Our approach has already been extended to human sleep and promises to unravel common organizing principles of non-REM sleep states in mammals.

Here, we present experimental and analytical procedures to describe the temporal dynamics of the neural and cardiac variables of non-REM sleep in mice, which modulate sleep responsiveness to acoustic stimuli.

Cuantificación de la dinámica infrarroja de la potencia espectral y la frecuencia cardíaca en ratones dormidos

Three vigilance states dominate mammalian life: wakefulness, non-rapid eye movement (non-REM) sleep, and REM sleep. As more neural correlates of behavior ...

How to Find Effects of Stimulus Processing on Event Related Brain Potentials of Close Others when Hyperscanning Partners

The partners of each pair must be able to pass the McGill Friendship Questionnaire without communicating. Each partner is then seated in front of a screen in one of two adjacent rooms. These rooms are separated by a glass window through which participants communicate to maintain feelings of togetherness while being fitted with the EEG cap. After checking for adequate EEG signals, the glass is covered by a curtain to prevent visual communication. Then, partners must be silent but are instructed to try to feel in the presence of their partner during the entire experiment. Just before it starts, participants are told that each of them will be presented with one image at a time and that these images will occur at the same time for both of them on their own screen. They are also instructed that, for each trial, the simultaneous images will always be different. However, unbeknownst to them, trials are randomized: only half of them are consistent with this instruction and actually include two different images. These trials form the DSC, that is, the different-stimuli condition. The other half of the trials are inconsistent with the instruction. They include two identical images and form the ISC (identical-stimuli condition). After the experiment, participants are sorted into two groups: those who reported that they felt in the presence of their partner during the majority of the trials and those who reported they did not. The impact of the stimulus processing of the partner is found by subtracting the mean voltages of the ERPs of the ISC (inconsistent with the instructions) from the ERPs of the DSC (consistent with the instructions) in at least two time windows (TWs): firstly, in the 75 to 150 ms TW, where the absolute values of these subtractions are greater, especially at right frontal sites, in those who felt in the presence of their partner than in those who did not; secondly, in the LPP time window (i.e., from 650 to 950 ms post onset), where ERPs are significantly less positive in the DSC than in the ISC in those in whom the raw results of the early (75-150ms) subtractions are negative.

This protocol describes key steps involved in assessing the sensitivity of the brain of one person to the stimulus processing of a close other by selecting pairs of partners, recording their electroencephalogram (EEG) simultaneously and computing their event-related brain potentials (ERPs).

Cómo encontrar efectos de estímulo procesamiento en eventos relacionados con cerebro potenciales de cerca otros cuando Hyperscanning socios

The partners of each pair must be able to pass the McGill Friendship Questionnaire without communicating. Each partner is then seated in front of a screen ...

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy (NIRS) Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in remote locations. This paper shows the development of field functional Near Infrared Spectroscopy (fNIRS) imaging to the study of child language, reading, and cognitive development in a rural village setting of C&#244;te d&#39;Ivoire. Innovation in methods and the development of culturally appropriate neuroimaging protocols allow&#160;a first-time look into the brain&#39;s development and children&#39;s learning outcomes in understudied environments. This paper demonstrates protocols for transporting and setting up a mobile laboratory, discusses considerations for field versus laboratory neuroimaging, and presents a guide for developing neuroimaging consent procedures and building meaningful long-term collaborations with local government and science partners. Portable neuroimaging methods can be used to study complex child development contexts, including the impact of significant poverty and adversity on brain development. The protocol presented here has been developed for use in C&#244;te d&#39;Ivoire, the world&#39;s primary source of cocoa, and where reports of child labor in the cocoa sector are common. Yet, little is known about the impact of child labor on brain development and learning. Field neuroimaging methods have the potential to yield new insights into such urgent issues, and the development of children globally.

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches (functional Near Infrared Spectroscopy) provide advances to the study of the brain in previously inaccessible regions; here, rural C&#244;te d&#39;Ivoire. Innovation in methods and development of culturally-appropriate neuroimaging protocols permits novel study of the brain&#39;s development and children&#39;s learning outcomes in environments with significant poverty and adversity.

Campo de neuroimaging métodos funcionales cerca espectroscopia infrarroja (NIRS) neuroimagen para estudiar el desarrollo Global del niño: zonas rurales de África subsahariana

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in ...

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive neuroscience. Intracranial electroencephalography (EEG) can directly record electrical neural activity and has the unique potential to accomplish this goal. Traditionally, averaging analysis has been applied to analyze intracranial EEG data; however, several new techniques are available for depicting neural activity and intra- and inter-regional connectivity. Here, we introduce two analytical protocols we recently applied to analyze intracranial EEG data using the Statistical Parametric Mapping (SPM) software: time-frequency SPM analysis for neural activity and dynamic causal modeling of induced responses for intra- and inter-regional connectivity. We report our analysis of intracranial EEG data during the observation of faces as representative results. The results revealed that the inferior occipital gyrus (IOG) showed gamma-band activity at very early stages (110 ms) in response to faces, and both the IOG and amygdala showed rapid intra- and inter-regional connectivity using various types of oscillations. These analytical protocols have the potential to identify the neural mechanisms underlying cognitive functions with high spatial and temporal profiles.

We present two analytical protocols that can be used to analyze intracranial electroencephalography data using the Statistical Parametric Mapping (SPM) software: time-frequency statistical parametric mapping analysis for neural activity, and dynamic causal modeling of induced responses for intra- and inter-regional connectivity.

Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive ...

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a convergence of peaks of statistical significance, and reduce the assessment of the evidence to a binary classification exclusively based on p-values (i.e., voxels can only be &ldquo;statistically significant&rdquo; or &ldquo;non-statistically significant&rdquo;). Here, we detail how to conduct a meta-analysis using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI), a novel method that uses a standard permutation test to assess whether effects are not null. We also show how to grade the strength of the evidence according to a set of criteria that considers a range of statistical significance levels (from more liberal to more conservative), the amount of data or the detection of potential biases (e.g., small-study effect and excess of significance). To exemplify the procedure, we detail the conduction of a meta-analysis of voxel-based morphometry studies in obsessive-compulsive disorder, and we provide all the data already extracted from the manuscripts to allow the reader to replicate the meta-analysis easily. SDM-PSI can also be used for meta-analyses of functional magnetic resonance imaging, diffusion tensor imaging, position emission tomography and surface-based morphometry studies.

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI

We detail how to conduct a meta-analysis of voxel-based neuroimaging studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI).